LiveKit Voice AI в 2026: практическое руководство для инженеров

Голосовой ИИ, который действительно звучит как человек, — это в первую очередь вопрос задержки, а уже во вторую — моделей. Если уложиться в 800 мс на pipeline-стеке или в 300 мс на модели speech-to-speech — от микрофона до динамика — разговор будет казаться естественным. Превысите эти пределы — собеседник заметит каждую паузу. LiveKit Agents 1.х — это open-source-фреймворк, который чаще всего выбирают серьёзные команды, чтобы достичь таких показателей и при этом не зависеть от одного поставщика.

Этот плейбук — краткая версия того, что Фора Софт рассказывает новым инженерам в первый день проекта по голосовому ИИ. Мы запускаем агентов на LiveKit для поддержки клиентов, исходящих продаж, приёма в медицинских учреждениях и встроенных в продукт ассистентов — и прошли через каждую ловушку с задержками, каждый случай перерасхода бюджета и каждый сюрприз с compliance минимум по два раза. Целевой читатель — основатель, CTO или старший инженер, которому к пятнице нужен честный ответ на вопрос: «Стоит ли это строить и на чём».

Почему команды выбирают LiveKit для голосового ИИ в 2026

Любая команда, работающая с голосовым ИИ, рано или поздно сталкивается с одним и тем же выбором. Либо вы подключаете агента к сторонней управляемой платформе (Vapi, Retell, Bland, Synthflow) и миритесь с её задержками, шаблонами промптов и комиссией, либо строите систему на собственном реальном времени, которым управляете сами. LiveKit — это второй вариант: стек медиа в реальном времени под лицензией Apache-2.0 с production-готовым фреймворком Agents сверху.

Что вы получаете из коробки: WebRTC между пользователями и агентом, HTTP/WebSocket между агентом и бэкендом, подключаемые провайдеры STT/LLM/TTS, обученную модель определения конца реплики, лицензированное шумоподавление Krisp, метрики задержки по каждому ходу, запись звонков и мост в PSTN через Telnyx или Twilio. Open source, без привязки к вендору, плагины сообщества для каждого крупного провайдера.

Что вы отдаёте взамен: пишете на Python или Node, берёте на себя операционную нагрузку, если хостите сами, и закладываете на production-агента одну–три инженерные недели вместо трёх часов, которые рекламирует Retell. Для всего, что серьёзнее proof of concept, эта сделка выгодна — почему именно, покажем ниже в разборе затрат.

Что на самом деле значит «звучит как человек»

В естественном разговоре люди ожидают ответа от собеседника в течение 200–300 мс. Если задержка превышает 500 мс, человек начинает замечать паузу. А если прошло больше секунды — он может перебить, повесить трубку или нажать «ноль», чтобы дозвониться до оператора. Именно это и определяет реальную границу производительности голосового ИИ — не качество модели, не естественность голоса и не количество доступных функций.

«Звучит как человек» — это четыре вещи, сложенные вместе:

• Быстрый первый отклик. 300–800 мс — время от конца реплики пользователя до начала ответа агента, зависит от архитектуры.
• Аккуратное прерывание. Агент замолкает через 120–200 мс, если собеседник начинает говорить поверх, и возвращается к нужному контексту.
• Просодия, совпадающая со смыслом. Ударения на нужных словах, дыхательные паузы, соответствующие смысловой структуре, выразительный голос в эмоционально значимых моментах.
• Опора на факты. Агент знает, когда сказать «давайте проверю», и действительно проверяет — через вызов функций, а не через галлюцинации.

Промах хотя бы в одном из четырёх пунктов — и иллюзия рассыпается. Большинство команд сосредотачиваются на третьем («нам нужен голос получше»), хотя настоящая проблема — в первом. ElevenLabs не узкое место с TTFB в 75 мс; ваш LLM с 1,2 с — да.

Бюджет задержки в 800 мс — и где он уходит

Классический pipeline проходит пять стадий. Вот реалистичный лучший случай для провайдеров в 2026 году, измеренный сквозным образом при развёртывании в регионе США:

В каждом production-деплое, который мы аудируем, две самые быстрые утечки — TTFT у LLM и межрегиональные сетевые хопы. Обе устраняются. Возьмите модель с низким TTFT, держите STT, LLM и TTS в одном облачном регионе и стримите всё. Если после этого вы всё ещё не укладываетесь в 800 мс — проблема в длине промпта, а не в инфраструктуре.

Pipeline или speech- to- speech: что подходит вашему продукту

Модели speech-to-speech (OpenAI Realtime, Gemini 3.1 Flash Live) полностью пропускают этап транскрипции: на вход подаётся аудио, на выходе — тоже аудио. Весь цикл обработки умещается в 200 мс. Звучат они невероятно естественно и корректно реагируют на перебивания — без единого дополнительного кода. Но есть подвох: вы покупаете всё сразу — рассуждение, голос, обработку прерываний, вызов функций — готовым пакетом у одного поставщика.

Pipeline — это не размен, а выгодный обмен. Вы объединяете трёх-четырёх провайдеров, тратите 500–700 мс на накладные расходы, но взамен получаете гибкость: можете быстро заменить LLM, когда Anthropic выпустит новую модель Claude, использовать специализированного провайдера для STT (например, Deepgram Medical или AssemblyAI для извлечения сущностей), применять клонированный фирменный голос в TTS и независимо логировать каждый этап для аудита.

Наше практическое правило: speech-to-speech — для потребительских ассистентов, где важнее личность, чем точность. Pipeline — для всех случаев, где система общается с базой данных, называет цену или может вызвать серьёзные последствия, если ошибётся. LiveKit поддерживает оба варианта — pipeline изначально проектировался под этот подход и до сих пор оптимизируется лучше.

Эталонная архитектура на LiveKit Agents 1.0

У production-агента на LiveKit пять движущихся частей и одна схема трафика. Пользователь заходит в комнату LiveKit. Воркер агента берёт задачу, подписывается на аудиотрек пользователя, прогоняет его через STT, передаёт частичные транскрипты в LLM, стримит токены LLM в TTS и публикует аудио TTS обратно в комнату — всё это пока модель определения конца реплики решает, закончил ли пользователь говорить.

from livekit.agents import Agent, AgentSession, JobContext, WorkerOptions, cli
from livekit.plugins import deepgram, anthropic, cartesia, silero

async def entrypoint(ctx: JobContext):
    await ctx.connect()

    session = AgentSession(
        vad=silero.VAD.load(),
        stt=deepgram.STT(model="nova-3", language="en-US"),
        llm=anthropic.LLM(model="claude-haiku-4-5"),
        tts=cartesia.TTS(model="sonic-3", voice="professional-warm"),
        turn_detection="livekit",   # trained turn model
    )

    agent = Agent(
        instructions="You are a polite scheduling assistant. "
                     "Always call check_availability before suggesting a time.",
        tools=[check_availability, book_meeting],
    )

    await session.start(agent=agent, room=ctx.room)

if __name__ == "__main__":
    cli.run_app(WorkerOptions(entrypoint_fnc=entrypoint))

Это и есть полная форма. Диспетчер LiveKit передаёт задачу свободному воркеру, AgentSession связывает плагины, а модель определения конца реплики livekit решает, когда собеседник закончил говорить. Всё остальное — бизнес-логика: инструменты, промпты, конечные автоматы, передача на связь с оператором. Подробный разбор этого же подхода — в нашем гайде по AI-агентам на LiveKit.

STT: Deepgram, AssemblyAI, Gladia или Soniox

Распознавание речи — единственная стадия, где чистая задержка почти не влияет на точность. Разница между 150 мс и 300 мс в работе STT почти не ощущается при разговоре; а вот разница между 5% и 12% WER — это уже разница между «работает» и «позвонил не тому клиенту».

По умолчанию мы используем Deepgram Nova-3 для англоязычного трафика в США, AssemblyAI Universal-3 Pro — когда агенту нужно называть номера счетов или email, и Gladia — для контакт-центров со сильными акцентами и переключением языков. Whisper подходит для батч-обработки и выгрузки транскриптов, но не для живых звонков.

LLM: Claude Haiku, Gemini Flash или GPT-5

LLM — это место, где у большинства проектов голосового ИИ ломается бюджет. TTFT (время до первого токена) важнее общей пропускной способности — агент должен начать говорить быстро, а не закончить быстро. TTFT в 600 мс со стримингом по 80 токенов в секунду ощущается быстрее, чем TTFT в 300 мс, который застревает на первой фразе.

Haiku 4.5 — наша модель по умолчанию для голосовых задач. Groq остаётся в шорт-листе для случаев, где важна задержка (например, исходящие продажи, NPC в играх), а качество рассуждений на уровне Llama достаточно. К GPT-5 обращайтесь только тогда, когда агент действительно рассуждает — многоступенчатые цепочки инструментов, жёсткие правила, дорогие последствия. Для повседневной беседы он слишком медленный.

TTS: ElevenLabs, Cartesia, Aura, Rime или Grok

TTS — это та часть, по которой пользователи в первую очередь судят о системе. При этом именно на этом этапе цены могут отличаться в 10 раз за разницу в качестве, которую большинство людей даже не замечают.

Мы выбираем Cartesia Sonic-3, когда важны низкая задержка и низкая стоимость, а уникальный фирменный голос не нужен; Deepgram Aura-2 — за лучшее соотношение естественности и цены; ElevenLabs Flash — когда клиент использует лицензированный клонированный голос или голос знаменитости. Доплачивать стоит только там, где это реально влияет на бизнес. В B2B-агенте для записи на встречу люди не бронируют время из-за того, что у голоса лучше вибрато.

Определение конца реплики, VAD и аккуратное прерывание

Voice activity detection отвечает на вопрос «говорит ли кто-то прямо сейчас?». Определение конца реплики решает задачу сложнее: «он закончил говорить или просто сделал паузу?». Эта разница — между естественным разговором и тем, что звучит так, будто на каждую вторую фразу наступают.

LiveKit поставляет обученную модель определения конца реплики, которая на естественной речи с большим отрывом обходит VAD с фиксированным порогом. Она анализирует просодию, слова-паразиты и лексические подсказки — а не только громкость — и динамически подстраивает окно ожидания от 0 до 2 секунд. В связке с Background Voice Cancellation от Krisp она справляется и со сценарием «коллега разговаривает в офисе», на котором ломается любой наивный VAD.

Прерывание (barge-in) — вторая часть истории. Когда собеседник вмешивается, агент должен замолчать за 150 мс, сбросить буфер TTS и передать новую реплику обратно в STT. LiveKit делает это автоматически. Единственный частый баг — агент перебивает сам себя; обычно это означает, что шумный TTS-сигнал попадает в микрофон пользователя. Проблему решает акустическое эхоподавление на клиенте или BVC на стороне агента.

Шумоподавление и Krisp: теперь отдельная статья расходов

LiveKit Cloud поставляется с лицензированными моделями Krisp для двух задач: подавление фонового шума (вентиляторы, машины, клавиатура) и подавление посторонних голосов (например, разговор супруга по телефону или шум в open-space). Обе функции повышают точность распознавания речи (STT) на 10–20% в шумных условиях и значительно снижают количество ложных прерываний.

С 1 мая 2026 использование Krisp будет тарифицироваться дополнительно к базовой минуте агента. Планируйте расходы в размере 0,15–0,30 ₽ за минуту, если оставляете его включённым. Если работаете в тихих условиях (например, десктопные ассистенты в приложении или студийные микрофоны), лучше отключить Krisp, чтобы не платить за него. А для звонков по PSTN и мобильному трафику оставляйте включённым — затраты окупятся за счёт повышения точности распознавания речи.

Function calling, который реально доезжает до production

Голосовой агент, который ничего не умеет делать, — это чат-бот, умеющий говорить. Function calling — это разница между «спасибо за звонок» и «я записал вас на вторник на 14:00». Три правила удерживают его в работоспособном состоянии в production:

• Повторите вслух всё, что собеседник продиктовал. «Я услышал четыре-один-пять, два-два-пять… верно?» STT распознаёт цифры с ошибками; AssemblyAI Universal-3 Pro заметно лучше других на сущностях, но идеала нет.
• Вызывайте инструмент синхронно, рассказывайте об этом параллельно. Скажите «подождите секунду, проверю», пока инструмент работает. Не оставляйте две секунды тишины — собеседник подумает, что связь оборвалась.
• Ограничьте число попыток и бюджет. Одна галлюцинирующая модель и один неисправный инструмент могут вызвать один и тот же API 40 раз за 10 секунд. Установите жёсткие лимиты на количество вызовов инструментов за ход и на стоимость сессии.

Claude и GPT-5 поддерживают параллельный вызов инструментов, поэтому грамотно описанная схема позволяет агенту одновременно запустить «проверь календарь», «найди клиента» и «подними условия полиса» и собрать ответ за один ход. Это самый крупный недооценённый выигрыш по задержке, который мы видим у команд.

Реальная стоимость минуты: всё включено, без сюрпризов

Каждая управляемая платформа предлагает привлекательную цену — Vapi за 3,7 ₽, Retell за 5,2 ₽, Bland за 6,7 ₽ — и учитывает только свою комиссию. Реальная сквозная стоимость с учётом STT, LLM, TTS и телефонии оказывается в диапазоне 8–18 ₽ за минуту. Вот как в 2026 году выглядят три типичных стека на LiveKit:

Умножьте на свой объём звонков. Исходящий дайлер на 50 000 минут в месяц на стеке Production обходится в 375 000 ₽ инфраструктуры — примерно столько же, сколько стоит один SDR со всеми сопутствующими расходами, и при этом система работает 24/7 на пятнадцати языках.

LiveKit против Vapi, Retell, Bland и Synthflow

На 10 000 минут в месяц (нагруженный кейс среднего бизнеса) платформы аккуратно сортируются по полной стоимости владения:

Цифры говорят сами за себя: Retell или Vapi — хороший выбор для проверки гипотез и прототипов при нагрузке до 5000 минут. Как только кейс становится реальным, лучше переходить на LiveKit. Точка перелома — где-то между 10 000 и 20 000 минут в месяц: выше этой планки маржа от LiveKit окупает инженерные затраты уже за полгода.

LiveKit Cloud, self-hosted или Telnyx

Три способа запустить LiveKit Agents в продакшене — у каждого свой баланс плюсов и минусов:

• LiveKit Cloud. 0,37 ₽/мин только за аудио, 0,75 ₽/мин с агентом. Управляемая диспетчеризация, наблюдаемость, региональные точки присутствия, SOC 2, BAA. Никакой операционной работы. Выбор по умолчанию.
• Self-hosted. Платформенная комиссия — ноль, STT/LLM/ТTS платите напрямую. Окупается при нагрузке выше 50 000 минут в месяц, если DevOps уже настроен; ниже — выгоднее облако. Выбирайте этот вариант для регулируемых сценариев, где платформа не должна обрабатывать аудио.
• LiveKit на Telnyx (апрель 2026). Telnyx размещает инфраструктуру LiveKit и предоставляет телефонию в комплекте. Стоимость STT/ТТС на 50% ниже, чем у LiveKit Cloud при использовании того же стека — имеет смысл рассмотреть, если вам нужна массовая интеграция с PSTN.

Один нюанс с февраля 2026: данные наблюдаемости LiveKit обрабатываются в США независимо от вашего медиарегиона. Если по GDPR запрещено обрабатывать метаданные звонков в США — отключайте проектную наблюдаемость и логируйте данные в свой стек. Само медиа (аудио и видео) остаётся в выбранном вами регионе.

Compliance: HIPAA, SOC 2, TCPA, GDPR

Голос затрагивает сразу три аспекта compliance — PHI (если пользователи обсуждают здоровье), PII (любые данные клиентов) и согласие на запись (в каждом штате, во многих — со штрафами). Платформы помогают, но ответственность за соблюдение требований остаётся на вас.

• HIPAA. LiveKit подписывает BAA. То же делают OpenAI, Deepgram и ElevenLabs на корпоративном тарифе. Проверяйте каждого поставщика в стеке и храните подписанный обеими сторонами PDF — на каждый цикл пересмотра договора.
• SOC 2 Type II. Сертифицированы LiveKit, OpenAI, Deepgram, AssemblyAI, ElevenLabs, Cartesia. Запросите отчёты для собственного аудита.
• TCPA. С решения FCC от 8 февраля 2024 года для использования AI-генерируемого голоса в исходящих звонках требуется задокументированное предварительное письменное согласие. Храните его рядом с номером и предъявляйте при каждом звонке.
• Согласие обеих сторон на запись. В Калифорнии, Флориде, Пенсильвании, Иллинойсе и ещё семи штатах требуется согласие всех участников разговора. В начале каждого записываемого звонка воспроизводите дисклеймер — и сам этот дисклеймер тоже записывайте.
• GDPR. Согласие на запись по статье 6 должно быть явным, а не основано на «законном интересе». Заключите договоры об обработке данных с каждым провайдером в вашем стеке и привяжите хранение медиа к региону ЕС.

Наши настройки по умолчанию в продакшене: автоматическое удаление персональных данных (PII) из логов в реальном времени (удаляем email, телефоны и номера карт ещё до попадания в систему мониторинга), хранение метаданных согласия по каждому звонку, аудит-логи с минимальным сроком хранения 90 дней и ежегодная проверка границ промпта агента командой red team. Экономить на этих мерах — значит рисковать карьерой.

Сценарии, которые действительно окупаются

Четыре паттерна возвращают вложения меньше чем за полгода. Всё остальное — экспериментирование:

Поддержка первой линии

Сброс паролей, статус заказа, проверка баланса, вопросы по полису — всё это голосовой агент решает без участия человека. Он закрывает 40–60% входящих обращений по стоимости 6–11 ₽ за звонок против 150–375 ₽ у живого оператора. Для линии поддержки с нагрузкой 100 000 звонков в месяц это экономия от 11 до 22 млн ₽ в месяц, которые возвращаются в P&L.

Исходящие продажи и квалификация лидов

Перезвон по входящим лидам ускоряется со «среднего времени ответа в 4 часа» до «30 секунд». Конверсия во встречи обычно удваивается или утраивается. У одного клиента из enterprise стоимость одной забронированной встречи в исходящей квалификации упала с 3 600 ₽ до 675 ₽.

Медицинский приём и подтверждение визитов

Крупные сети клиник используют голосовых агентов для предварительного сбора анамнеза и напоминаний о визитах за сутки до приёма. 70–80% таких звонков обрабатываются полностью автоматически, освобождая персонал ресепшна для приёма новых пациентов. Стек HIPAA обязателен — см. выше.

Голосовые тьюторы и встроенные ассистенты

Этот сценарий максимально соответствует портфолио Фора Софт. Мы разрабатывали голосовые обучающие платформы, приложения для коучинга в реальном времени и агентов на WebRTC прямо в браузере для образовательных клиентов, таких как Career Point. Схема у всех проектов одинакова: клиентский SDK LiveKit в браузере, воркер агента со стеком Haiku + Cartesia, кастомные инструменты для отслеживания состояния урока и сбора обратной связи, которая записывает взаимодействия для последующего педагогического анализа.

Семь сценариев отказа, которые мы видим в production

В порядке частоты, с которой они ломают демонстрации:

• Холодный старт. Первый запрос после запуска — задержка 3–5 секунд. Проблему решает прогрев системы тестовыми запросами и предварительная настройка пула соединений при старте.
• Ложные прерывания. Агент перебивает собеседника или говорит поверх него. Настройте VAD, включите BVC и протестируйте с 20 живыми пользователями перед запуском.
• Галлюцинации фактов. Агент придумывает номер подтверждения. Заставьте его опираться на вызов функций для всего, что нужно процитировать; запретите свободные ответы на вопросы, требующие фактических данных.
• Ошибки извлечения сущностей. «Мой email — john.doe» превращается в «johndough». Переключайтесь на AssemblyAI Universal-3 Pro для сценариев с большим количеством сущностей.
• Каскадная межрегиональная задержка. STT в us-east, LLM в us-west, TTS во Франкфурте. Соберите всех провайдеров в одном регионе; платите за исходящий трафик, если нужно.
• Неконтролируемые расходы. Цикл повторов генерирует 40 вызовов LLM за десять секунд после неудачного инструмента. Жёстко ограничьте количество вызовов инструментов за ход и стоимость сессии в рублях.
• PII в логах. Полные транскрипты с СНИЛС попадают в CloudWatch. Удаляйте их на границе, ещё до отправки в систему мониторинга.

KPI: что измерять с первого дня

Голосовой агент без приборной панели — это демонстрация. Снимайте эти метрики с первого production-звонка:

• Задержка хода P50 / P90 / P99. Среднее значение обманывает — именно задержки на уровне P99 заставляют пользователей бросать соединение.
• Доля выполненных задач. Закрыл ли агент запрос клиента без передачи другому специалисту? 50–70% — реалистичный ориентир для хорошо настроенного бота поддержки.
• Доля передач оператору. Количество эскалаций к оператору на один звонок. Если показатель растёт — значит, сломался инструмент или изменился промпт.
• Стоимость одного успешного исхода. Не цена за минуту — цена за забронированную встречу, сброшенный пароль или подтверждённый визит.
• Частота прерываний. Как часто собеседник перебивает агента? Если растёт — значит, голос слишком многословен.
• WER транскрипции. Размечайте вручную выборку из 100 звонков в неделю. Дрейф здесь — индикатор для всех остальных метрик.

Когда НЕ стоит строить на LiveKit

Четыре случая, где управляемая платформа уверенно опережает LiveKit:

• Детерминированный IVR. «Нажмите 1 — отдел продаж, 2 — поддержка». Берите Twilio Studio и вперёд.
• Proof of concept в жёсткие сроки. Retell AI запускается за 3 часа, Vapi — за день. Если демонстрация нужна завтра — не разрабатывайте, покупайте.
• Меньше 5000 минут в месяц — навсегда. Срок окупаемости инвестиций в инженерию уходит за год. Платформенная комиссия — это недорогая страховка.
• Нетехническая команда без DevOps. No-ocode-конструктор Synthflow справится лучше, чем сломанный Python-агент, за которым некому ухаживать.

Честный вопрос звучит так: «насколько это важно, чтобы делать самому?». Если голосовой агент — основа продукта или экономия становится заметной уже при использовании больше десяти тысяч минут в месяц, ответ — да, и тогда LiveKit — правильный выбор. Во всех остальных случаях начните с управляемой платформы и перейдите на собственный хостинг позже.

FAQ

Сколько уходит у Фора Софт на запуск production-агента на LiveKit?

От трёх до шести недель на узкий сценарий (один процесс, один язык, один регуляторный режим). Наш конвейер Agent Engineering сокращает сроки с трёх месяцев вдвое — поэтому итоговая стоимость, как правило, ниже рыночной даже на премиум-стеке.

LiveKit умеет в звонки PSTN или это только WebRTC?

И то, и другое. LiveKit подключается к PSTN через Twilio или Telnyx по протоколу SIP. С апреля 2026 года Telnyx предлагает собственный продукт «LiveKit on Telnyx», который объединяет оба сервиса и снижает стоимость распознавания и синтеза речи примерно на 50% по сравнению с использованием только LiveKit Cloud.

Какая реалистичная задержка для агента — менее 700 мс?

Со стриминговым STT Deepgram Nova-3, стриминговым LLM Claude Haiku 4.5 и стриминговым TTS Cartesia Sonic-3 — все в одном регионе, с короткими системными промптами — мы регулярно фиксируем сквозную задержку 550–700 мс по P50 на WebRTC-клиентах. Хопы через PSTN добавляют 80–150 мс.

Может, лучше взять OpenAI Realtime API?

Если задержка — главный критерий, и вас устраивает использование GPT-5 в качестве LLM, то да: сквозная задержка в 200–300 мс пока неоспорима. LiveKit поддерживает Realtime через плагин, так что можно протестировать оба подхода без переписывания агента. Если важны соответствие требованиям, надёжность вызова функций или кастомные голоса — pipeline остаётся лучшим выбором.

Как остановить расход денег из-за неработающих вызовов инструментов?

Три жёстких лимита на сессию: максимум вызовов инструментов, максимум токенов LLM и максимальная общая длительность. При достижении любого из них агент говорит: «Давайте я переключу вас на оператора» — и направляет вызов по резервному маршруту. Кроме того, мы отслеживаем ежемесячные алерты по стоимости для каждого тенанта, чтобы аномалии замечались в течение минут, а не дней.

Может ли агент передать звонок оператору посреди разговора?

Да. Стандартный паттерн — инструмент transfer_to_agent: LLM решает (или собеседник просит) передать звонок, в комнату LiveKit добавляется человек-оператор, AI-агент выходит. Транскрипт и контекст передаются вместе с звонком, поэтому оператор подхватывает разговор, а не начинает с нуля.

Подходит ли LiveKit для многоязычных звонков?

Очень. Gladia Solaria-1 справляется с переключением языков в одном потоке (собеседник переходит между испанским и английским посреди фразы), Soniox лидирует на 30+ языках, а Grok TTS недавно выпустил многоязычные голоса с нативной интеграцией в LiveKit. Сам конвейер остаётся прежним — меняются только плагины STT и TTS.

Как нам прогнать бенчмарк агента до запуска?

Прогоните 50–100 заскриптованных диалогов по основным типам задач, замерьте задержку по P99, долю выполненных задач и долю галлюцинаций. Затем добавьте 20 живых проверяющих с непредсказуемыми звонками. Разрыв между двумя замерами покажет, не переобучен ли агент под промпты. В «Фора Софт» мы запускаем этот цикл на каждом релизе.

Что почитать дальше

Последнее обновление — апрель 2026 года, актуальные данные по LiveKit Agents, моделям и ценам. Источники: документация LiveKit, бенчмарки Deepgram, ElevenLabs, Cartesia, AssemblyAI и production-деплои Форсофт.